Modelos indivuais estocásticos estruturados

A importância da estrutura da rede de conexões

• Lembremos da figura a seguir, retirada do livro Kiss, Miller & Simon (2017), que mostra a importância da estrutura da rede conexões na evolução da epidemia.

• O modelo dele não é individual, mas é um compartimental estruturado estocástico, com muitos compartimentos ($100$ mil nós), que carrega bastante estrutura.

Image(filename=path.join('..', 'input', 'networks', 'SIR_on_different_networks.jpg'), width=800)

Exemplos de simulações individuais

• A seguir, três vídeos retirado das informações suplementares do artigo de Ferguson et al. (2005), sobre estratégias para conter pandemias de influenza na sudeste asiático.

• Observem que eles já estavam pensando nesses estratégias!

• Vieram motivadas pela epidemia de SARS que apareceu no final de 2002 e só foi considerada contida em meados de 2003, com vários casos ocorrendo até o iníco de 2004.

• Simulação com 85 milhões de indivíduos!

• A primeira, sem estratégia de contenção da epidemia.

• A segunda, estratégia mais extensa, bem sucedida.

• A terceira, estratégia em apenas um país, mal sucedida.

Sem estratégia

• $R_0=1.5$.

• Video mostra 100 dias de evolução.

• Cores:

  • Cinza: densidade de suscetíveis em escala logarítmica
  • Vermelho: áreas infectadas
  • Verde: áreas recuperadas
  • Azul: áreas em tratamento

show_video(path.join('..', 'input', 'networks', '41586_2005_BFnature04017_MOESM2_ESM.mp4'), '50%')

Estratégia bem sucedida

• $R_0=1.8$;

• Estratégia implementada na Tailândia e em parte dos países vizinhaça, dentro de um raio de 100km da Tailândia.

• Distanciamento social

• Quarentena de casos detectados

• Profilaxia em um raio de 5km radial de casos dectados

• Fechamento de 90% de escolas e de 50% dos lugares de trabalho, em um raio de 5km.

• Video mostra 300 dias de evolução.

• Cores:

  • Cinza: densidade de suscetíveis em escala logarítmica
  • Vermelho: áreas infectadas
  • Verde: áreas recuperadas
  • Azul: áreas em tratamento

show_video(path.join('..', 'input', 'networks', '41586_2005_BFnature04017_MOESM3_ESM.mp4'), '80%')

Estratégia mal-sucedida

• $R_0=1.7$.

• Estratégias implementadas em apenas um país: Tailândia

• Distanciamento social

• Quarentena de casos detectados

• Profilaxia em um raio de 5km radial de casos dectados

• Fechamento de 90% de escolas e 50% de lugares de trabalho no raio de 5km.

• Video mostra 300 dias de evolução.

• Cores:

  • Cinza: densidade de suscetíveis em escala logarítmica
  • Vermelho: áreas infectadas
  • Verde: áreas recuperadas
  • Azul: áreas em tratamento

show_video(path.join('..', 'input', 'networks', '41586_2005_BFnature04017_MOESM4_ESM.mp4'), '50%')

Modelagem

Parâmetros

Nas modelagens que faremos a seguir:

• População: $300$ indivíduos;

• $\beta= 0.5$ (taxa diária de contágio);

• $\gamma=0.1$ (taxa de recuperação - 10 dias);

• $R_0 = 5$ (número básico de reprodução).

• $I_0 = 8$ (número inicial de infectados);

• $T = 80$ (80 dias de simulação);

Nos exemplos com rede, usamos

• $\kappa = $ número médio de conexões por indivíduo (arestas por vértice);

• $\tau = \beta/\kappa$ (contágio por contato).

num_pop = 300
beta = 0.5
gamma = 0.1
R0 = beta/gamma
I_0 = 8
T = 80
tempos = np.array(range(T+1))
num_sim = 60
print(f'Número básico de reprodução = {R0:.2f}')

Número básico de reprodução = 5.00

Estado da população

• Temos um índice $i=1, \ldots, N$ para cada indivíduo.

• O estado do sistema todo é representado por um vetor $\mathbf{x} = (x_1, \ldots, x_N)$ de dimensão $N$.

• Cada coordenada $x_i$ do vetor $\mathbf{x}$ representa o estado do individuo $i$.

• Cada indivíduo pode estar em um dos possívei estágios: suscetível, infectado ou removido..

• Representamos isso permitindo que $x_i$ assuma três valores, cada um correspondendo a um dos estágios:

  • $x_i=1:$ indivíduo suscetível;

  • $x_i=2:$ indivíduo infectado;

  • $x_i=3:$ indivíduo removido. O estado da população é um vetor

# estado inicial da população
pop_0 = np.ones(num_pop)
infectados_0 = np.random.choice(num_pop, I_0)
pop_0[infectados_0] = 2*np.ones(I_0)
attr_pop_0 = dict([(i, {'estado': int(pop_0[i])}) for i in range(num_pop)])
print(pop_0)

[1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
 1. 1. 1. 1. 2. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 2. 1.
 1. 1. 1. 2. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
 1. 1. 2. 1. 1. 1. 2. 1. 1. 1. 2. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
 1. 1. 1. 1. 1. 1. 1. 1. 2. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 2. 1. 1. 1. 1.
 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.
 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]

Evolução temporal

• Método $\tau$-leap ($\tau$-leap method):

  • Evolução discreta no tempo.

  • Múltiplos eventos ocorrendo a cada passo de tempo.

  • Taxas de ocorrência de algum evento se tornam probabilidades da forma

    $$ \mathbb{P}(\textrm{evento}) = 1 - e^{\displaystyle - \textrm{taxa} \,\times \,\textrm{passo de tempo}}. $$

  • Isso segue de

    $$ y' = -\alpha y \; \Longrightarrow \;y(t+\delta t) = y(t) e^{-\alpha \delta t} \;\Longrightarrow \;\Delta y = y(t+\delta t) - y(t) = (1 - e^{-\alpha \delta t})y(t). $$

• Passos muito grandes diminuem a acurácia do método.

• Passos muito curtos o tornam bastante custoso caso haja um número muito grande de indivíduos.

• Veja Box 7.3, página 270, de Keeling & Rohani (2007).

• As simulações acima na Tailândia foram com passos de 1/4 de dia, ou 6 horas.

• Vamos usar, inicialmente, passos de um dia apenas.

Funções de evolução e de análise

Definimos algumas funções para facilitar as simulações.

• evolucao_SIR

• analise_grafo

• evolucao_grafo

def evolucao_SIR(pop_0, beta, gamma, tempos, plot=False):

    SIR_Compartimental = namedtuple('SIR_Compartimental', 
                                 [
                                     'pop_0',
                                     'num_pop',
                                     'beta',
                                     'gamma',
                                     't_instantes',
                                     'S',
                                     'I', 
                                     'R',
                                     'X'
                                 ])        
          
    def diferencial(t, X, N, beta, gamma):
        S, I = X
        dXdt = [- beta*I*S/N, beta*I*S/N - gamma*I]
        return dXdt        
    
    num_pop = sum(pop_0)
    y0 = pop_0[0:2]
    sol = solve_ivp(diferencial, t_span=[tempos[0],tempos[-1]], 
                    y0 = y0, t_eval = tempos,
                    args=(num_pop, beta, gamma))
    
    resultado = SIR_Compartimental(pop_0, num_pop, beta, gamma, tempos,
                                   sol.y[0], sol.y[1], num_pop - sol.y[0] - sol.y[1], sol)
    return resultado

def analise_grafo(G, info=True, node_size=0, pos=None, hist=False):

    num_vertices = G.number_of_nodes()
    num_arestas = G.number_of_edges()
    num_arestas_por_vertice = [j for i,j in G.degree]
    num_medio_conexoes = 2*num_arestas/num_vertices

    if info:
        print(f'Número de arestas: {num_arestas}')
        print(f'Número de vértices: {num_vertices}')
        print(f'Número médio de conexões por indivíduo: {num_medio_conexoes:.1f}')

    if node_size:
        color = ['tab:blue', 'tab:red', 'tab:green']
        pop_estado = nx.get_node_attributes(G,'estado')
        color_map = [color[pop_estado[j]-1] for j in range(num_vertices)]
        plt.figure(figsize=(10,6))
        if pos:
            nx.draw(G, pos, node_size=node_size, node_color=color_map, alpha=0.5)
        else:
            nx.draw(G, node_size=node_size, node_color=color_map, alpha=0.5)
        plt.title('Rede de indivíduos e de suas conexões', fontsize=16)
        plt.show()

    if hist:
        plt.figure(figsize=(10,6))
        plt.hist(num_arestas_por_vertice, 50, facecolor='g', alpha=0.75)
        plt.xlabel('num. arestas', fontsize=14)
        plt.ylabel('num. vertices', fontsize=14)
        plt.title('Histograma do número vértices por número de arestas', fontsize=16)
        plt.show()
    return num_medio_conexoes

def evolucao_grafo_estruturado(pop_0, mu, gamma, G, tempos, num_sim, show=''):
    """Evolução temporal da epidemia em um grafo estruturado.


    Entrada:
        pop_0: numpy.array
            state of the population, with 
                1: suscetível
                2: infectado
                3: recuperado ou removido

        mu: float
            probabilidade de contágio por contato

        gamma: float
            taxa de recuperação por unidade de tempo

        G: numpy.array
            grafo de conexões

        tempos: numpy.array
            instantes de tempo

        num_sim: int
            número de simulações

        show: str
            indica se é para exibir um gráfico e de que tipo:
                - 'nuvem': exibe uma nuvem com todas as simulações e o valor médio em destaque
                - 'sd': exibe o valor médio com um intervalo de confiança dado pelo desvio padrão
                - 'media': exibe apenas o valor médio
                - '': não exibe gráfico algum.

    Saída
        X: class.SIR_Individual
            Uma instância da classe `SIR_Individual` com os seguintes atributos:
                pop_0:
                num_pop:
                mu:
                gamma:
                tempos:
                num_sim:
                S_media:
                I_media: 
                R_media:
                I_sigma:
                R_sigma:
                S_sigma:
    """

    def passo_grafo_estruturado(num_pop, populacao, A_adj, prob_infeccao, prob_recuperacao):
        
        # gera uma matriz cheia aleatória (números em [0.0,1.0))
        A_random = np.random.rand(num_pop, num_pop)
        
        # filtra de acordo com as conexões
        A_graph_random = np.multiply(A_adj, A_random)
        
        # copia a população (acho que é desnecessário)
        pop_aux = np.copy(populacao)
        
        # separa os suscetíveis, criando um vetor de 1's e 0's, se for, ou não, suscetível
        pop_suscetiveis = np.select([pop_aux==1], [pop_aux])
        
        # separa os infectados, criando um vetor de 1's e 0's, se for, ou não, infectável
        pop_infectados = np.select([pop_aux==2], [pop_aux])/2
        
        # cria uma matriz de risco, mantendo apenas as conexões que envolvem um infectado
        A_risco = np.multiply(np.tile(pop_infectados, (num_pop, 1)), A_graph_random)
        
        # cria matriz de contatos entre um suscetível e um infectado
        A_contatos = np.multiply(np.tile(pop_suscetiveis, (num_pop, 1)).transpose(), A_risco)
        
        # cria uma matriz de 1's e 0's, indicando se houve, ou não, contágio
        A_infectados = np.select([A_contatos > 1-prob_infeccao], [np.ones([num_pop, num_pop])])

        # obtém novos infectados
        pop_novos_infectados = np.select([np.sum(A_infectados, axis=1)>0], [np.ones(num_pop)])
        
        # filtra matriz aleatória com a diagonal
        pop_recuperando = pop_infectados @ np.multiply(np.eye(num_pop), A_random)
        
        # obtém novos recuperados
        pop_novos_recuperados = np.select([pop_recuperando > 1-prob_recuperacao], [np.ones(num_pop)])
        
        # atualiza população adicionando um aos que avançaram de estágio
        populacao_nova = pop_aux + pop_novos_infectados + pop_novos_recuperados

        # Observe que cada elemento da matriz aleatória é usado apenas uma vez, garantindo
        # a independência desses eventos aleatórios (tanto quanto se leve em consideração
        # que os números gerados são pseudo-aleatórios)

        return populacao_nova

    
    # confere se escolha para `show` é válida
    if show:
        assert(show in ('nuvem', 'sd', 'media')), 'Valor inválido para argumento `show`.'

    # atributos de saída
    SIR_Individual = namedtuple('SIR_Individual', 
                                [
                                    'pop_0',
                                    'num_pop',
                                    'mu',
                                    'gamma',
                                    'tempos',
                                    'num_sim',
                                    'S_media',
                                    'I_media', 
                                    'R_media',
                                    'S_sigma',
                                    'I_sigma', 
                                    'R_sigma'
                                ])
    
    # número de indivíduos da população
    num_pop = len(pop_0)
    I_0 = np.count_nonzero(pop_0==2)        

    # número de instantes no tempo e passos de tempo 
    num_t = len(tempos)
    passos_de_tempo = tempos[1:] - tempos[:-1]

    # inicializa variáveis para o cálculo da média
    S_media = np.zeros(num_t)
    I_media = np.zeros(num_t)
    R_media = np.zeros(num_t)

    # inicializa variáveis para o cálculo do desvio padrão
    S_sigma = np.zeros(num_t)
    I_sigma = np.zeros(num_t)
    R_sigma = np.zeros(num_t)
    
    # obtém matriz de adjacências
    A_adj = nx.to_numpy_matrix(G)

    # prepara gráfico se necessário
    if show in ('nuvem', 'sd', 'media'):    
        # inicializa figura e define eixo vertical
        plt.figure(figsize=(12,6))
        plt.ylim(0, num_pop)
        plt.xlim(tempos[0], tempos[-1])
    
    if show == 'nuvem':
        # alpha para a nuvem de gráficos das diversas simulaçõe
        alpha = min(0.2, 5/num_sim)    

    # simulações
    for j in range(num_sim):

        # inicializa população de cada simulação
        populacao = np.copy(pop_0)
        S = np.array([num_pop - I_0])
        I = np.array([I_0])
        R = np.array([0])
     
        
        # evolui o dia e armazena as novas contagens
        for dt in passos_de_tempo:

            # calcula probabilidades
            prob_infeccao = 1 - np.exp(-mu*dt)
            prob_recuperacao = 1 - np.exp(-gamma*dt)

            populacao = passo_grafo_estruturado(num_pop, populacao, A_adj,
                                                prob_infeccao, prob_recuperacao)
            S = np.hstack([S, np.count_nonzero(populacao==1)])
            I = np.hstack([I, np.count_nonzero(populacao==2)])
            R = np.hstack([R, np.count_nonzero(populacao==3)])
            
        # adiciona as contagens dessa simulação para o cálculo final da média
        S_media += S
        I_media += I
        R_media += R

        # adiciona as contagens dessa simulação para o cálculo final do desvio padrão
        S_sigma += S ** 2
        I_sigma += I ** 2
        R_sigma += R ** 2

        if show == 'nuvem':
            # exibe os gráficos dos dados de cada simulação
            plt.plot(tempos, S, '-', color='tab:green', alpha=alpha)
            plt.plot(tempos, I, color='tab:red', alpha=alpha)
            plt.plot(tempos, R, '-', color='tab:blue', alpha=alpha)
            plt.plot(tempos, num_pop - S, '-', color='tab:gray', alpha=alpha)

    # divide pelo número de evoluções para obter a média
    S_media /= num_sim
    I_media /= num_sim
    R_media /= num_sim

    # ajusta o calcula do desvio padrão
    S_sigma = ( S_sigma / num_sim - S_media**2 )**.5
    I_sigma = ( I_sigma / num_sim - I_media**2 )**.5
    R_sigma = ( R_sigma / num_sim - R_media**2 )**.5

    # exibe os gráficos das médias
    if show in ('nuvem', 'sd', 'media'):
        plt.plot(tempos, S_media, '-', color='tab:green', label='suscetíveis')
        plt.plot(tempos, I_media, '-', color='tab:red', label='infectados')
        plt.plot(tempos, R_media, '-', color='tab:blue', label='recuperados')
        plt.plot(tempos, num_pop - S_media, '-', color='tab:gray', label='inf.+ rec.')
        
    if show == 'sd':
        plt.fill_between(tempos, S_media - S_sigma, S_media + S_sigma, facecolor='tab:green', alpha = 0.2)
        plt.fill_between(tempos, I_media - I_sigma, I_media + I_sigma, facecolor='tab:red', alpha = 0.2)
        plt.fill_between(tempos, R_media - R_sigma, R_media + R_sigma, facecolor='tab:blue', alpha = 0.2)
        plt.fill_between(tempos, num_pop - S_media - S_sigma, num_pop - S_media + S_sigma, facecolor='tab:gray', alpha = 0.2)

        
    if show == 'nuvem':
        plt.title('Evolução do conjunto de simulações e da média', fontsize=16)
    elif show == 'sd':
        plt.title('Evolução da média, com o desvio padrão', fontsize=16)
    elif show == 'media':
        plt.title('Evolução da média das simulações', fontsize=16)

        
    # informações para o gráfico
    if show in ('nuvem', 'sd', 'media'):
        plt.xlabel('tempo', fontsize=14)
        plt.ylabel('número de indivíduos', fontsize=14)
        plt.legend(fontsize=12)
        plt.show() 

    resultado = SIR_Individual(
        pop_0,
        num_pop,
        mu,
        gamma,
        tempos,
        num_sim,
        S_media,
        I_media, 
        R_media,
        I_sigma,
        R_sigma,
        S_sigma
    )

    return resultado

SIR Compartimental

Começamos com a simulação SIR Compartimental, para servir de comparação com as simulações indi

X = evolucao_SIR(pop_0 = [num_pop-I_0, I_0, 0], beta=beta, gamma=gamma, tempos = tempos)

plt.figure(figsize=(12,6))

# exibe os gráficos das médias
plt.plot(tempos, X.S, 'tab:blue', label='SIR: suscetíveis')
plt.plot(tempos, X.I, 'tab:red', label='SIR: infectados')
plt.plot(tempos, X.R, 'tab:green', label='SIR: recuperados')
plt.plot(tempos, X.I + X.R, 'tab:gray', label='SIR: inf. + sus.')

# informações para o gráfico
plt.xlabel('dias', fontsize=14)
plt.ylabel('número de indivíduos', fontsize=14)
plt.title('Evolução da população em cada compartimento da simulação do modelo SIR', fontsize=16)
plt.legend(loc='best', fontsize=12)
plt.show() 

Redes

• Agora vamos fazer simulações em algumas redes.

• Neste primeiro momento, consideramos apenas redes fixas e com contatos uniformes.

• Posteriormente, devemos incluir outras conexões e pesos

  • redes para as conexões frequentes
    • rede estruturada fixa com arestas com pesos determinados pela relação entre os indivíduos
    • Exemplos:
      • familiares, com um peso maior;
      • trabalho e escola;
      • amigos;
  • redes para as conexões aleatórias
    • Exemplos:
      • praças, shoppings e parques
      • em meios de transporte;
    • rede completa geométrica, com pesos dependendo da distância;

• Para a criação das redes, usaremos funções descritas em NetworkX 2.4: Graph Generators para gerar alguns grafos sintéticos.

Simulação em uma rede regular

• Começamos com uma rede regular.

• Cada indivíduo (vértice) tem o mesmo número de conexões (arestas).

• Usamos a função nx.gnp_random_graph.

Criando a rede e analisando seus dados

G_r = nx.random_regular_graph(d=num_pop-1, n=num_pop, seed=12)
nx.set_node_attributes(G_r, attr_pop_0)

num_medio_conexoes_r = analise_grafo(G_r, info=True, node_size=80, pos=None, hist=True)

Número de arestas: 44850
Número de vértices: 300
Número médio de conexões por indivíduo: 299.0

Simulação

%%time
X_r = evolucao_grafo_estruturado(pop_0, beta/num_medio_conexoes_r, gamma, G_r, tempos,
                                 num_sim, show='nuvem')

CPU times: user 25.6 s, sys: 253 ms, total: 25.9 s
Wall time: 13.5 s

Comparação com o SIR compartimental

plt.figure(figsize=(12,6))
plt.ylim(0, num_pop)

# exibe os gráficos das médias
plt.plot(tempos, X_r.S_media, '.', color='tab:green', label='média suscetíveis')
plt.plot(tempos, X_r.I_media, '.', color='tab:red', label='média infectados')
plt.plot(tempos, X_r.R_media, '.', color='tab:blue', label='média recuperados')

plt.plot(tempos, X.S, 'tab:green', label='compart. suscetíveis')
plt.plot(tempos, X.I, 'tab:red', label='compart. infectados')
plt.plot(tempos, X.R, 'tab:blue', label='compart. recuperados')

# informações para o gráfico
plt.xlabel('dias', fontsize=14)
plt.ylabel('número de indivíduos', fontsize=14)
plt.title(f'Evolução do SIR compartimental e da média do SIR individual estocástico em rede regular', fontsize=16)
plt.legend(loc='best', fontsize=12)
plt.show() 

Simulação em uma rede do tipo Ërdos-Renyi

• Rede aleatória com a propriedade do número de conexões de cada indivíduo (arestas para cada vértice) ser próximo do número médio.

• A função erdos_renyi_graph() do módulo networkx cria aleatoriamente uma rede desse tipo.

• Recebe como argumentos o número de vértices e uma dada densidade média do número de arestas.

• A função to_numpy_matrix do networkx retorna a matriz de adjacências, com as conexões (arestas) entre os indivíduos (vértices).

Criando a rede e analisando seus dados

G_er = nx.erdos_renyi_graph(num_pop, 6/num_pop, seed=12)
nx.set_node_attributes(G_er, attr_pop_0)

num_medio_conexoes_er = analise_grafo(G_er, info=True, node_size=80, pos=None, hist=True)

Número de arestas: 821
Número de vértices: 300
Número médio de conexões por indivíduo: 5.5

Simulação

%%time 
X_er = evolucao_grafo_estruturado(pop_0, beta/num_medio_conexoes_er, gamma, G_er, tempos,
                                  num_sim, show='sd')

CPU times: user 26.2 s, sys: 883 ms, total: 27.1 s
Wall time: 13.9 s

Comparação com o SIR compartimental

plt.figure(figsize=(12,6))
plt.ylim(0, num_pop)

# exibe os gráficos das médias
plt.plot(tempos, X_er.S_media, '.', color='tab:green', label='média suscetíveis')
plt.plot(tempos, X_er.I_media, '.', color='tab:red', label='média infectados')
plt.plot(tempos, X_er.R_media, '.', color='tab:blue', label='média recuperados')

plt.plot(tempos, X.S, 'tab:green', label='compart. suscetíveis')
plt.plot(tempos, X.I, 'tab:red', label='compart. infectados')
plt.plot(tempos, X.R, 'tab:blue', label='compart. recuperados')

# informações para o gráfico
plt.xlabel('dias', fontsize=14)
plt.ylabel('número de indivíduos', fontsize=14)
plt.title('Evolução do SIR compartimental\n e da média do SIR individual estocástico em rede Ërdos-Renyi', fontsize=16)
plt.legend(loc='best', fontsize=12)
plt.show() 

Simulação com um grafo Barabasi-Albert

• Possui indivíduos com muitas conexões.

G_ba = nx.barabasi_albert_graph(num_pop, 6, seed=1)
nx.set_node_attributes(G_ba, attr_pop_0)
num_medio_conexoes_ba = analise_grafo(G_ba, info=True, node_size=100, pos=None, hist=True)

Número de arestas: 1764
Número de vértices: 300
Número médio de conexões por indivíduo: 11.8

Simulação

X_ba = evolucao_grafo_estruturado(pop_0, beta/num_medio_conexoes_ba, gamma,G_ba, tempos,
                                  num_sim, show='sd')

Comparação com o SIR Compartimental

plt.figure(figsize=(12,6))

# exibe os gráficos das médias
plt.plot(tempos, X_r.I_media, '.', label='Rede regular: média infectados')
plt.plot(tempos, X_er.I_media, '.', label='Ërdos-Remyi: média infectados')
plt.plot(tempos, X_ba.I_media, ':', label='Barabasi-Albert: média infectados')
plt.plot(tempos, X.I, 'tab:red', label='SIR: infectados')

# informações para o gráfico
plt.xlabel('dias', fontsize=16)
plt.ylabel('número de indivíduos', fontsize=16)
plt.title('Evolução média do SIR compartimental e do SIR individual estocástico\n'
          + f'População {num_pop}; Infectados inicialmene: {I_0}\n'
          + f'beta = {beta:.3f}; gamma = {gamma:.3f}; $R_0$ = {beta/gamma:.3f}', fontsize=18)
plt.legend(loc='best', fontsize=12)
plt.show() 

Simulação com um grafo Barbell

• Rede com duas subredes regulares completas e conectadas por uma cadeia simples.

G_b = nx.barbell_graph(int(num_pop/2)-2, 4)
nx.set_node_attributes(G_b, attr_pop_0)
num_medio_conexoes_b = analise_grafo(G_b, info=True, node_size=30, pos=None, hist=True)

Número de arestas: 21761
Número de vértices: 300
Número médio de conexões por indivíduo: 145.1

Simulação

X_b = evolucao_grafo_estruturado(pop_0, beta/num_medio_conexoes_b, gamma, G_b, tempos,
                                 num_sim, show='sd')

Comparação com o SIR Compartimental e grafos anteriores

plt.figure(figsize=(12,6))
#plt.ylim(0, num_pop/2)

# exibe os gráficos das médias
plt.plot(tempos, X_er.I_media, '.', label='Ërdos-Remyi: média infectados')
plt.plot(tempos, X_ba.I_media, ':', label='Barabasi-Albert: média infectados')
plt.plot(tempos, X_b.I_media, '.-', label='Barbell: média infectados')
plt.plot(tempos, X.I, 'tab:red', label='SIR: infectados')

# informações para o gráfico
plt.xlabel('dias', fontsize=14)
plt.ylabel('número de indivíduos', fontsize=14)
plt.title('Evolução do SIR compartimental e da média do SIR individual estocástico em diferentes redes\n'
          + f'População {num_pop}; Infectados inicialmene: {I_0}\n'
          + f'beta = {beta:.3f}; gamma = {gamma:.3f}; $R_0$ = {beta/gamma:.3f}', fontsize=16)
plt.legend(loc='best', fontsize=12)
plt.show() 

Simulação com um grafo geométrico

• Vamos considerar, agora, um grafo geométrico aleatório construído via função random_geometric_graph (veja, também, o seguinte exemplo).

G_g = nx.random_geometric_graph(num_pop, 0.105, seed=2024)
nx.set_node_attributes(G_g, attr_pop_0)
pos_g = nx.get_node_attributes(G_g, "pos")
num_medio_conexoes_g = analise_grafo(G_g, info=True, node_size=80, pos=pos_g, hist=True)

Número de arestas: 1401
Número de vértices: 300
Número médio de conexões por indivíduo: 9.3

Simulação

X_g = evolucao_grafo_estruturado(pop_0, beta/num_medio_conexoes_g, gamma, G_g, tempos,
                                 num_sim, show='sd')

Comparação com o SIR Compartimental e os grafos anteriores

plt.figure(figsize=(12,6))
#plt.ylim(0, num_pop/2)

# exibe os gráficos das médias
plt.plot(tempos, X_er.I_media, '.', label='Ërdos-Remyi: média infectados')
plt.plot(tempos, X_ba.I_media, ':', label='Barabasi-Albert: média infectados')
plt.plot(tempos, X_b.I_media, '.-', label='Barbell: média infectados')
plt.plot(tempos, X_g.I_media, 'o-', label='Geométrico: média infectados')
plt.plot(tempos, X.I, 'red', label='SIR: I')

# informações para o gráfico
plt.xlabel('dias', fontsize=14)
plt.ylabel('número de indivíduos', fontsize=14)
plt.title('Evolução do SIR compartimental clássico e da média do SIR individual estocástico em diferentes redes\n'
          + f'População {num_pop}; Infectados inicialmene: {I_0}\n'
          + f'beta = {beta:.3f}; gamma = {gamma:.3f}; $R_0$ = {beta/gamma:.3f}', fontsize=16)
plt.legend(loc='best', fontsize=12)
plt.show() 

A fazer

• Separar as conexões fixas de acordo com o tipo (núcleo familiar, trabalho/escola, local, etc.)

• Incluir pesos para as conexões fixas.

• Simular o efeito de fechamento de estabelecimentos, distanciamento social e métodos de prevenção nos parâmetros ligados a cada tipo de conexão.

• Obter um grafo mais realista para a cidade do Rio de Janeiro.

Trabalho 7

Questões:

1. Seguindo a ideia de um dos exercícios do trabalho anterior, analise qual das redes é mais sensível à diminuição do número de infectados.

2. Na Figura 1.2, do livro Kiss, Miller & Simon (2017), vemos a frase "The simulations begin with 1% infected, and t = 0 is set when prevalence reaches 2.5% in order to reduce stochastic noise in the average.". Pense em como implementar isso, no nosso modelo individual.

3. Faça uma busca por outros tipos de redes que sejam interessantes de considerar para esse modelo/projeto.

4. Para cada uma das redes, tente fazer um ajuste dos parâmetros aos dados de epidemia de influenza discutidos no caderno da Aula 2 de "Ajustes de parâmetros".

Observação: Pode usar uma população menor, como 100 habitantes, assim como um número menor de simulações, para que os cálculos sejam mais rápidos

Observação: Escolha parâmetros que exibam epidemia.

Referências

• Imperial College COVID-19 Response Team (16/mar/2020), Impact of non-pharmaceutical interventions (NPIs) to reduce COVID- 19 mortality and healthcare demand, 16 de março de 2020. (Free Download)

• Ferguson NM, Cummings DAT, Fraser C, Cajka JC, Cooley PC, Burke DS (2006). Strategies for mitigating an influenza pandemic. Nature 442 (7101), 448–52 (Free Download); veja, também, as notas suplementares.

• Ferguson, N. M. et al. (2005), Strategies for containing an emerging influenza pandemic in Southeast Asia, Nature 437, 209-214. (Link para download aqui disponibilizado por CiteSeerX; veja, também, as notas suplementares.

• Halloran ME, Ferguson NM, Eubank S, et al (2008), Modeling targeted layered containment of an influenza pandemic in the United States. Proc Natl Acad Sci U S A 105 (12), 4639–44 (Free Download).; veja, também, o suplemento do artigo.

• M. J. Keeling & P. Rohani (2007), Modeling Infectious Diseases in Humans and Animals, Princeton University Press.

• I. Z. Kiss, J. Miller & P. L. Simon (2017), Mathematics of Epidemics on Networks: From Exact to Approximate Models, Springer-Verlag.

Veja a página Imperial College - Covid 19 para mais relatórios, publicações e outras informações do Imperial College.